MultiModal_BigModels_Survey

大规模多模态预训练模型综合调研

多模态预训练模型大规模模型综述深度学习人工智能 Github 开源项目

这个项目提供了大规模多模态预训练模型的全面调研。内容包括发展历程、关键技术、代表性模型和应用场景。调研分析了模型架构、预训练策略和下游任务等研究热点,并探讨了未来方向。这份资料可为多模态人工智能研究和开发提供参考。

llava-v1.5-7b - 融合视觉与语言的开源多模态AI模型

GithubHuggingfaceLLaVA人工智能图像文本理解多模态模型开源项目模型自然语言处理

LLaVA-v1.5-7B是一个开源的多模态AI模型，通过微调LLaMA/Vicuna实现。该模型整合了视觉和语言处理能力，能够理解图像并进行自然语言对话。LLaVA-v1.5-7B在大规模数据集上训练，包括558K图文对和158K多模态指令数据，并在12个基准测试中表现优异。这个模型主要应用于多模态大模型和聊天机器人的研究，适用于计算机视觉、自然语言处理等领域的研究人员。

visualglm-6b - 中英文图像交互的多模态对话模型

GithubHuggingfaceVisualGLM-6B图像生成多模态对话开源项目模型语言模型预训练

VisualGLM-6B是一个多模态对话模型，支持中文、英文和图像交互。基于ChatGLM-6B，有78亿参数，通过BLIP2-Qformer桥接视觉和语言模型。此模型使用CogView数据集进行预训练，并在长视觉问答数据上微调，以生成符合人类偏好的回答。用户可用Python代码简便调用模型，同时提供命令行、网页示例及模型量化的详细说明。

InternVL2-26B - 全新多模态智能体实现长文本多图像及视频的智能理解

AI识别GithubHuggingfaceInternVL2多模态大语言模型开源项目模型计算机视觉

InternVL2-26B是一个基于视觉模型InternViT-6B和语言模型internlm2-chat-20b开发的多模态模型。通过8K上下文窗口支持长文本处理，同时具备多图像和视频分析能力。在文档理解、图表分析和场景文字识别等评测中表现优异，性能达到开源模型领先水平。

unilm - Unilm项目实现跨任务、语言和模态的大规模自监督预训练

Foundation ModelsGithubLarge-scaleMulti-modalTorchScale开源项目预训练

Unilm项目跨越100多种语言及包括语言、视觉、语音及其交互的多种模态，专注于基础模型和普适AI的研究。该项目已开发多种新型架构如DeepNet、Magneto，并通过稳定高效的训练方法增强模型的通用性和能力。此外，项目已发布关键技术如E5、BEiT-3，涵盖自然语言处理、机器翻译、文档AI及多模态AI等领域，为AI技术的前沿发展和实际应用做出了显著进展。

Monkey - 利用高分辨率图像和优质文本标签增强多模态模型性能

GithubMonkey图像分辨率多模态模型开源项目文本标签视觉问答

Monkey是一个开源的多模态大模型项目，通过提高图像分辨率和优化文本标签来改善模型性能。该项目在MMBench、CCBench和MME等基准测试中表现优异。Monkey提供完整的模型定义、训练代码和演示系统，支持离线和在线部署。此外，项目还开源了多级描述生成数据集，并提供了针对多个视觉问答数据集的评估工具，方便研究人员进行实验和改进。

CogVLM - 开源视觉语言模型，提升图像理解与跨模态对话功能

CogAgentCogVLMGithub图像理解多回合对话开源项目跨模态基准测试

CogVLM和CogAgent是领先的开源视觉语言模型，专注于图像理解和跨模态任务。CogVLM-17B拥有100亿视觉参数和70亿语言参数，并在NoCaps、Flicker30k等十个经典跨模态基准测试上表现出色。CogAgent在CogVLM的基础上改进，增添了GUI图像代理能力，支持1120*1120分辨率的图像理解，并在VQAv2、TextVQA等九个基准测试中表现优秀。该项目提供详细的技术文档、示例代码和Web演示，用户可以方便地进行模型推理和微调。了解更多信息，请访问项目主页。

mformer-care - 基于Transformers的多模态深度学习模型

GithubHuggingfacetransformers开源开源项目机器学习模型深度学习自然语言处理

mformer-care是一个基于Hugging Face Transformers库开发的开源项目，采用MIT许可证，支持英语语言处理。该项目利用Transformer架构实现多模态数据的处理与分析。

glm-4v-9b - 开源多模态AI模型GLM-4V-9B展现卓越性能

GLM-4V-9BGithubHuggingface图像描述多模态模型开源项目模型自然语言处理视觉理解

GLM-4V-9B是一款由智谱AI开发的开源多模态人工智能模型，支持1120x1120高分辨率下的中英双语多轮对话。该模型在综合能力、感知推理、文字识别和图表理解等多个领域表现优异，与GPT-4-turbo、Gemini 1.0 Pro等主流模型相比具有竞争力。GLM-4V-9B支持8K上下文长度，为研究者和开发者提供了强大的视觉理解和语言处理能力。

RLAIF-V - 多模态大模型对齐的开源AI反馈框架

GithubRLAIF-V人工智能反馈可信性多模态大语言模型开源开源项目

RLAIF-V项目提出了一种新的多模态大模型对齐框架，通过开源AI反馈实现了超越GPT-4V的可信度。该框架利用高质量反馈数据和在线反馈学习算法，有效减少模型幻觉，提高学习效率和性能。项目开源的代码、模型权重和数据集为多模态人工智能研究提供了重要资源。

Awesome_Long_Form_Video_Understanding - 长视频理解研究前沿进展与资源综述

Github人工智能开源项目深度学习视频分析计算机视觉长视频理解

这是一个综合性长视频理解研究资源库,涵盖表征学习、高效建模、大语言模型等多个子领域。项目汇总了前沿研究论文、数据集和工具,对各子任务进行了系统梳理。为长视频理解研究者提供了全面的参考资源,有助于推动该领域的发展。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com